Les entreprises qui peuvent prévoir les ventes avec précision peuvent ajuster avec succès les niveaux de production, l’allocation des ressources et les stratégies marketing à venir pour correspondre au niveau des ventes anticipées. Ces actions aident à optimiser les opérations et à maximiser les profits. Un modèle de régression prévoit la valeur d'une variable dépendante - dans ce cas, les ventes - en fonction d'une variable indépendante. Une feuille de calcul Excel peut facilement gérer ce type d'équation.
Collecte de données
Décidez d'une variable indépendante. Par exemple, supposons que votre société fabrique un produit dont les ventes sont étroitement liées aux variations du prix du pétrole. Selon votre expérience, les ventes augmentent lorsque le prix du pétrole augmente. Pour configurer la régression, créez une colonne de feuille de calcul pour vos ventes annuelles sur plusieurs années précédentes. Créez une deuxième colonne indiquant la variation en pourcentage du prix moyen du pétrole d’une année à l’autre pour chacune des années de vente. Pour continuer, vous aurez besoin de l'outil d'analyse Excel, que vous pouvez télécharger gratuitement en sélectionnant "Compléments" dans le menu "Options".
Lancer la régression
Choisissez "Régression" dans "Analyse des données" dans le menu "Données". Marquez la plage de la variable indépendante en tant qu'axe X et celle de la variable dépendante en tant qu'axe Y. Donnez une plage de cellules pour la sortie et marquez les cases pour les résidus. Lorsque vous appuyez sur "OK", Excel calcule la régression linéaire et affiche les résultats dans votre plage de résultats. La régression représente une ligne droite avec une pente qui correspond le mieux aux données. Excel affiche plusieurs statistiques pour vous aider à interpréter la force de la corrélation entre les deux variables.
Interpréter les résultats
La statistique R-carré indique dans quelle mesure la variable indépendante prévoit les ventes. Dans cet exemple, le R-carré du pétrole par rapport aux ventes est de 89,9, ce qui correspond au pourcentage des ventes de produits expliqué par la variation en pourcentage du prix du pétrole. Tout nombre supérieur à 85 indique une relation forte. L'ordonnée en Y, dans cet exemple 380 000, indique la quantité de produit que vous vendriez si le prix du pétrole restait inchangé. Le coefficient de corrélation, dans ce cas 15 000, indique qu'une augmentation de 1% du prix du pétrole entraînerait une augmentation des ventes de 15 000 unités.
Utiliser les résultats
La valeur de la régression linéaire dépend de la précision avec laquelle vous pouvez prévoir la variable indépendante. Par exemple, vous pourriez payer aux analystes du secteur pétrolier une prévision privée qui prédit une augmentation de 6% du prix du pétrole au cours de la prochaine année. Multipliez le coefficient de corrélation par 6 et ajoutez le résultat - 90 000 - à votre valeur d'interception Y de 380 000. La réponse, 470 000, est le nombre d'unités que vous vendriez probablement si le prix du pétrole augmentait de 6%. Vous pouvez utiliser cette prévision pour préparer votre calendrier de production pour l'année à venir. Vous pouvez également exécuter la régression en utilisant différents mouvements de prix du pétrole pour prédire les meilleurs et les pires résultats. Bien sûr, ce ne sont que des prédictions et des surprises sont toujours possibles. Vous pouvez également exécuter des régressions avec plusieurs variables indépendantes, le cas échéant.
